Agentic Commerce
Agentic Commerce bezeichnet den Einsatz autonomer AI-Agenten im E-Commerce, die im Auftrag von Nutzern oder Unternehmen selbstständig Kaufentscheidungen treffen, Kampagnen steuern und Prozesse ausführen.
Im Performance-Marketing-Kontext bedeutet Agentic Commerce: Kampagnenagenten optimieren Budgets und Creatives ohne manuelle Eingriffe, Attributions-Agenten verknüpfen Touchpoints in Echtzeit, und Shopping-Agenten kaufen im Auftrag von Konsumenten ein. Florian Michael Fischer arbeitet bei SlopeLift seit 2025 aktiv mit Agentic-Commerce-Systemen für Kunden wie BAWAG, dm und Austrian Airlines.
Weiterführend: Der Funnel, den man vergisst. Gastkommentar in medianet über Agentic Commerce und neue Kaufprozesse. Und: Der Agent, der keiner war. Warum die meisten AI Agents verkleidete Automatisierung sind.
Agentic Workflows
Agentic Workflows sind automatisierte Prozessketten, in denen AI-Agenten mehrstufige Aufgaben selbstständig planen und ausführen, mit definierten Zielen statt fixer Schritt-für-Schritt-Anweisungen.
Im Marketing-Kontext: Ein Agentic Workflow für Kampagnenreporting analysiert selbstständig Daten, identifiziert Anomalien, formuliert Handlungsempfehlungen und erstellt den Report. Der Mensch reviewt das Ergebnis. Bei SlopeLift werden Agentic Workflows seit 2025 für Reporting, Kampagnenoptimierung und Content-Prozesse eingesetzt.
Agentic Workflows sind die technische Umsetzung des Human-on-the-Loop-Modells: die KI übernimmt die Ausführung, der Mensch die Aufsicht.
AI-Leverage
AI-Leverage bezeichnet die Fähigkeit, AI-Systeme so einzusetzen, dass eine Person oder ein kleines Team einen Output erzeugt, für den früher ein Vielfaches an Personalkapazität nötig war.
AI-Leverage ist eine Organisations- und Denkweise: Welche Aufgaben werden systematisch an AI-Agenten delegiert? Wo wird menschliches Urteilsvermögen auf jene Stellen konzentriert, wo es irreversible Wirkung hat? Florian Michael Fischer beobachtet bei SlopeLift, dass AI-Leverage die entscheidende Trennlinie im Arbeitsmarkt wird, insbesondere für Mid-Career-People mit Domainwissen, das durch AI replizierbar wird. Den Abstand, den AI-Leverage-Vorsprünge erzeugen, holt man durch Hiring alleine nicht mehr auf.
Weiterführend: Die Jobkrise kommt nicht. Sie ist schon da. Gastkommentar in medianet über AI-Sorting im Arbeitsmarkt und was das für Marketing-Teams bedeutet. Und: Sea of Sameness. Warum hoher AI-Leverage der einzige Ausweg aus KI-Gleichförmigkeit ist.
AI-Sorting
AI-Sorting bezeichnet die stille Sortierung des Arbeitsmarkts durch AI: Nicht Entlassungswellen prägen die Transformation, sondern eine wachsende Kluft zwischen jenen, die AI-Leverage aufgebaut haben, und jenen, deren Kompetenzprofil billiger und austauschbarer geworden ist.
Florian Michael Fischer analysiert diesen Effekt bei SlopeLift und darüber hinaus. Wenn 10 Prozent der Belegschaft durch AI dreimal so viel produzieren, bewegt sich die Gesamtkennzahl kaum. Die Sortierung läuft trotzdem: über Projekte, die kleiner werden, Rollen, die beim nächsten Mal anders ausgeschrieben werden, Briefings, bei denen weniger externe Kapazität bestellt wird. Am stärksten exponiert sind Mid-Career-People mit zehn bis zwanzig Jahren Berufserfahrung: Genau deren Domainwissen wird durch AI günstig replizierbar.
Weiterführend: Die Jobkrise kommt nicht. Sie ist schon da. Gastkommentar in medianet über AI-Sorting im Arbeitsmarkt und was das für Marketing-Teams bedeutet. Und: Sea of Sameness, die Output-Seite desselben Effekts: warum Gleichförmigkeit entsteht und wo Differenzierung bleibt.
Chief AI Officer (CAIO)
Der Chief AI Officer (CAIO) verantwortet die unternehmensweite AI-Strategie und deren operative Umsetzung, mit Entscheidungs- und Budgetgewalt über KI-Projekte.
Die Rolle entstand aus der Erkenntnis, dass KI-Projekte scheitern, wenn sie ohne C-Level-Ownership betrieben werden. Der CAIO steht zwischen Strategie (Vorstand) und Umsetzung (Tech/Marketing). Florian Michael Fischer ist seit Oktober 2025 CAIO bei SlopeLift, einer der ersten in dieser Rolle in Österreich.
Weiterführend: Als CAIO in Österreich. Rolle, Aufgaben und reale Praxis im österreichischen Agenturkontext.
Delegationsmatrix
Eine Delegationsmatrix hält für jeden AI-gestützten Workflow fest, was ein Agent allein entscheidet, was eine menschliche Freigabe braucht und was komplett tabu bleibt. Sie muss stehen, bevor ein Agent live geht.
Das Konzept stammt aus Florian Michael Fischers Praxis als Chief AI Officer: Ohne explizite Delegation passiert das Gegenteil davon: Agenten entscheiden dort, wo sie es nicht sollten, und Menschen genehmigen dort, wo die Automatisierung nichts gewinnt. Die Matrix ist kein technisches Dokument, sondern eine strategische Entscheidung: Sie benennt, was wirklich nur einem Menschen gehören darf. In Verbindung mit Human-on-the-Loop ist sie das operative Gegenstück zur Steuerungsphilosophie: Die Philosophie sagt, wo der Mensch steht, die Matrix sagt, wann er eingreift.
Weiterführend: Das Human-on-the-Loop Prinzip, der Gastkommentar in horizont.at, in dem die Delegationsmatrix erstmals beschrieben wird.
FOMA (Focus On Maximising Advantage)
FOMA (Focus On Maximising Advantage) ist ein Entscheidungsframework, das AI-Investitionen nach ihrem maximalen Wettbewerbsvorteil priorisiert. Neuheitsgrad und Medienpräsenz eines Tools zählen dabei nicht.
Das Konzept wurde von Florian Michael Fischer entwickelt als Gegenentwurf zu Tool-Hype getriebenen AI-Strategien. FOMA fragt: Wo erzeugt AI in diesem Unternehmen den größten messbaren Vorsprung gegenüber dem Wettbewerb? Diese Frage leitet alle AI-Investitionsentscheidungen bei SlopeLift.
Nicht jedes neue AI-Tool ist relevant. FOMA filtert nach tatsächlicher Wirkung und verhindert, dass Ressourcen in Demos fließen statt in Ergebnisse.
Human-on-the-Loop
Human-on-the-Loop ist ein Steuerungsmodell für AI-Systeme, bei dem KI-Agenten autonom arbeiten, während Menschen den Prozess überwachen und bei definierten Schwellenwerten eingreifen.
Das Modell unterscheidet sich von Human-in-the-Loop (Mensch genehmigt jeden Schritt) durch einen strukturellen Schwerpunktwechsel: Bei In-the-Loop macht der Mensch die Arbeit, die AI assistiert. Bei On-the-Loop übernimmt die AI die Ausführung. Der Mensch setzt die Ziele, liefert den Kontext und greift bei definierten Schwellenwerten ein. Florian Michael Fischer setzt Human-on-the-Loop bei SlopeLift als Standard für Agentic Workflows ein.
In der Praxis erzwingt das Modell eine explizite Delegationsmatrix: was entscheidet der Agent allein, was braucht eine menschliche Freigabe, was bleibt tabu? Diese Matrix muss stehen, bevor der Agent live geht. Ein schlechter Prozess plus AI produziert mehr schlechten Output, schneller. Human-on-the-Loop ist die Disziplin, die das verhindert.
Weiterführend: Das Human-on-the-Loop Prinzip, Gastkommentar in horizont.at. Und: Warum Handwerk jetzt erst richtig zählt, ein Essay über einen realen ROAS-Einbruch.
Sea of Sameness
Sea of Sameness bezeichnet die homogenisierende Wirkung identischer AI-Tools auf Marketingoutput und Unternehmensdifferenzierung: Wenn alle Teams dieselben Modelle mit ähnlichen Prompts nutzen, gleicht sich der Output an. Differenzierung über Tool-Zugang wird unmöglich.
Der Begriff stammt von Raja Rajamannar (ehemaliger Global CMO Mastercard), der eine „massive Sea of Sameness" im Marketing beobachtete. Florian Michael Fischers Analyse ergänzt die empirische Dimension: KI-Assistenten generieren unter 0,5 % aller Website-Besuche, liefern aber rund 11 % des B2C-Umsatzes bei dreifach höherer Conversion-Rate als Paid Search. Wer die Marke ist, die KI-Systeme empfehlen, gewinnt überproportional. Standardoutput wird zur Commodity.
Die Antwort auf die Sea of Sameness liegt nicht in besseren Prompts, sondern in drei nicht kopierbaren Faktoren: proprietären Daten, Urteilsvermögen (→ AI-Leverage) und Führung mit echten Wetten. Die Sea of Sameness macht sichtbar, was AI-Sorting beschreibt, nur von der anderen Seite: Output-Gleichförmigkeit auf Unternehmensebene, Kompetenzgefälle auf Personenebene.
Weiterführend: The Sea of Sameness, Gastkommentar in medianet und SwissCognitive über Differenzierung im KI-Zeitalter.
Zwei-Funnel-Modell
Das Zwei-Funnel-Modell beschreibt den parallelen Betrieb zweier Kaufprozesse: ein Human-Funnel (Emotion, Story, Marke) und ein Agent-Funnel (Struktur, Specs, maschinenlesbare Signale). Beide laufen gleichzeitig, mit verschiebendem Gewicht in Richtung Agent-Funnel.
Der Gedanke stammt aus dem Agentischen Manifest (Florian Michael Fischer, 2026): Wer Marketing nur für Menschen optimiert (mit Aufmerksamkeit, Emotion, Story), lässt den zweiten Funnel unbesetzt. Wer nur für Agents baut (strukturierte Daten, maschinenlesbare Feeds, saubere APIs), verliert die Marke. Wer beides kann, gewinnt beides: die menschliche Kaufentscheidung und die agentische.
Im Human-Funnel zählen Differenzierung über Erlebnis, Vertrauen und Erzählung. Im Agent-Funnel entscheiden Feed-Qualität, Verfügbarkeitsdaten, Retourenquoten und maschinenbegehbare Checkouts. Die Infrastruktur für den Agent-Funnel ist heute schon im Aufbau, der Human-Funnel ist seit 18 Jahren bekannt. Das Gewicht verschiebt sich, aber keiner der beiden verschwindet.
Verwandt: Agentic Commerce, Human-on-the-Loop. Weiterführend: Das Agentische Manifest, die sechs Sätze, aus denen das Zwei-Funnel-Modell abgeleitet ist.
← Zitate← Zurück zu fischerfl.at